一种早期火焰检测方法技术

本发明专利技术公开了一种早期火焰检测方法

【技术实现步骤摘要】
一种早期火焰检测方法、电子设备、介质


[0001]本专利技术涉及计算机视觉领域，特别涉及一种早期火焰检测方法
、
电子设备
、
介质
。

技术介绍

[0002]传统的火焰传感器主要分为感温型
、
感烟型以及感光型，分别表征了火焰温度
、
烟雾和发光特性
。
传统的火焰传感器结构简单
、
成本较低
、
维护方便，在人们的消防安全保障上起了非常重要的作用，但是，也存在较大的不足：
[0003]1)
灵敏度低
。
传统火焰探测器通常只能检测较大的明火，当火焰位置距离较远或火焰仍处于早期时，相应的信号特征如温度
、
气体及烟雾等信息量有限，传感器无法感知；安装位置受限，当场所环境复杂或空旷时，传感器也难以发挥有效作用
。
[0004]2)
误报率高
。
受制于单一的被测源和简单的电路结构，传统火焰传感器容易受到光线
、
灰尘
、
潮湿
、
电磁等环境因素的干扰，不仅浪费了资源，消防部门需要大量的人力
、
物力和财力资源，去处理并确认误报信息，还影响了正常生产和生活秩序，造成不必要的恐慌
。
[0005]3)
信息密度低
。
传统火焰探测器只能检测火焰的存在，无法提供更详细的信息，如火焰大小
、
火源位置
、
燃烧速度等，这种局限性使得传统火焰探测器在面对火灾情况时，难以为后续疏散人员和控制扑灭火灾提供充分的决策信息，从而增加了火灾应对难度和风险
。
[0006]综上所述，基于传统火焰传感器的火灾预防系统存在许多局限性，难以满足越来越高的现代化火灾处置要求，因此，需要研究和开发更加先进
、
高效
、
准确的火焰探测技术，以提高火灾检测的可靠性和准确性
。
而基于图像的火焰检测可以通过布置低成本的摄像头，获取图片或者视频流，可以实现更广范围
、
更强适用性
、
更高效率地预警火情，并识别火焰的大小
、
位置
、
燃烧速度等信息，具备良好的发展潜力和广阔的应用场景，使其成为了热门的研究方向
。
[0007]但是，目前基于图像的火焰检测依然存在着难点，主要体现在早期火焰识别困难
。
早期火焰目标小，颜色浅，算法提取的细节特征不足以描述和区分目标和背景，尤其在复杂背景下，背景可能与目标相似，导致早期小目标火焰难以识别
。

技术实现思路

[0008]本专利技术的目的在于克服现有火焰检测方法无法及时识别出早期火焰的技术缺陷，提出了一种早期火焰检测方法
、
电子设备
、
介质
。
该方法可以快速地在高分辨率的监控视频流中检测到早期火焰，并且能部署应用到复杂场景当中，不仅提高了火焰检测的精度，还提高了火灾应急响应的速度
。
[0009]为实现上述目的，本专利技术技术方案具体如下：
[0010]本专利技术实施例的第一方面提供了一种早期火焰检测方法，所述方法包括：
[0011]获取待检测的原始图像；
[0012]将待检测的原始图像分割重叠的图像块；对重叠的图像块进行前向推理，得到第一检测结果；
[0013]将待检测的原始图像输入至预先训练好的早期火焰检测模型中进行全推理，得到第二检测结果；
[0014]将第一检测结果与第二检测结果基于非极大值抑制进行合并，设置匹配阈值，对高于匹配阈值的交并比的标注框进行两两比较，得到最小外接标注框，即早期火焰检测结果在图像中的位置；
[0015]其中，早期火焰检测模型包括依次连接的输入单元
、
主干网络单元
、
颈部单元
、
检测单元；所述主干网络单元中还嵌入有坐标注意力模块；
[0016]所述早期火焰检测模型的训练过程包括：获取已标注的火焰数据集；将已标注的火焰数据集进行切片辅助微调和切片辅助超推理，得到训练集；利用训练集基于损失函数训练早期火焰检测模型；所述损失函数由交并比
、
超参数和第一损失函数所构建；所述第一损失函数为交并比损失
、
距离损失和方位损失之和
。
[0017]本专利技术实施例的第二方面提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的早期火焰检测方法
。
[0018]本专利技术实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的早期火焰检测方法
。
[0019]与现有技术相比，本专利技术具有以下有益效果：
[0020]1.
本专利技术使用了切片辅助超推理对大尺寸原始图像进行切片执行推理，然后合并原始图像上的切片预测，充分保留了早期火焰检测模型在压缩输入图像时的火焰的细节特征，解决了摄像头获得的高分辨率图像中早期小目标火焰难以识别的问题，
[0021]2.
本专利技术在
YOLOX
模型的基础上添加了坐标注意力机制，挖掘通道间的深层语义信息，调节不同语义特征间的权重，充分挖掘网络深层的语义信息并定位于火焰目标之上，同时提供了额外的长程信息，进一步增强网络特征提取能力，使其选择对当前检测目标更加重要的信息
。
[0022]3.
本专利技术为了缓解在训练过程中低质量锚框与高质量锚框间样本失衡的问题，引入
Focal
‑
EIoU
损失函数，使回归过程专注于高质量锚框，同时修改了
IoU
损失函数中的惩罚项，改进了早期火焰检测模型的收敛速度和锚框的定位精度
。
附图说明
[0023]图1为本专利技术提供的一种早期火焰检测方法流程图；
[0024]图2是
YOLOX
的结构示意图；
[0025]图3为切片辅助微调示意图；
[0026]图4为切片辅助超推理示意图；
[0027]图5为
CA
注意力机制的结构示意图；
[0028]图6为在基准模型中嵌入注意力机制模块的结构示意图；
[0029]图7为本专利技术提供的一种电子设备的示意图
。
具体实施方式
[0030]本专利技术为一种基于图像的早期火焰方法，为了更清楚地说明本专利技术实施例中的技术方案，下面将结合本申请说明书附图和具体实施方式，对本专利技术提出的一种基于图像的早期火焰检测方法做进一步的详细说明，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种早期火焰检测方法，其特征在于，所述方法包括：获取待检测的原始图像；将待检测的原始图像分割重叠的图像块；对重叠的图像块进行前向推理，得到第一检测结果；将待检测的原始图像输入至预先训练好的早期火焰检测模型中进行全推理，得到第二检测结果；将第一检测结果与第二检测结果基于非极大值抑制进行合并，设置匹配阈值，对高于匹配阈值的交并比的标注框进行两两比较，得到最小外接标注框，即早期火焰检测结果在图像中的位置；其中，早期火焰检测模型包括依次连接的输入单元
、
主干网络单元
、
颈部单元
、
检测单元；所述主干网络单元中还嵌入有坐标注意力模块；所述早期火焰检测模型的训练过程包括：获取已标注的火焰数据集；将已标注的火焰数据集进行切片辅助微调和切片辅助超推理，得到训练集；利用训练集基于损失函数训练早期火焰检测模型；所述损失函数由交并比
、
超参数和第一损失函数所构建；所述第一损失函数为交并比损失
、
距离损失和方位损失之和
。2.
权利要求1所述的一种早期火焰检测方法，其特征在于，将待检测的原始图像分割重叠的图像块包括：判断待检测的原始图像
I
是否满足分割条件；所述分割条件为待检测的原始图像
I
大小大于尺寸阈值；将满足分割条件的待检测的原始图像
I
分割为
l
个
M
×
N
个重叠的图像块在保持图像块纵横比的同时，调整每个图像块的大小
。3.
权利要求1所述的一种早期火焰检测方法，其特征在于，所述坐标注意力模块包括：获取坐标注意力模块的输入；获取坐标信息嵌入表示；基于坐标信息嵌入表示得到中间层特征映射，将中间层特征映射沿着水平和垂直两个空间方向聚合特征，得到第一张量和第二张量；基于坐标注意力模块的输入
、
第一张量
、
第二张量获取坐标注意力模块的输出
。4.
权利要求3所述的一种早期火焰检测方法，其特征在于，获取坐标信息嵌入表示的表达式如下：式中，为高度
h
处的第
c
个通道的输出，
x
c
(h,i)
表示坐标注意力模块的输入张量在
h
行
i
列上的元素；式中，为宽度为
w
的第
c
通道的输出，
x
c
(j,w)
表示坐标注意力模块的输入张量在
j
行
w
列上的元素
。
5.
权利要求4所述的一种早期火焰检测方法，其特征在于，基于坐标信息嵌入表示得到中间层特征映射，将中间层特征映射沿着水平和垂直两个空间方向聚合特征，得到第一张量和第二张量包括：中间层特征映射的表达式如下：
f
＝
δ
(F1([z
h
,z
w
]))
式中，
[
·
,
·
]
为沿空间维度的级联操作，
δ
是非线性激活函数，
f
为编码空间信息的中间层特征映射；将
f
沿垂直维度分为第一张量
g
h
，将
f
沿水平维度分为第二张量
g
w
，表达式如下：
g
h
＝
σ
(F
h
(f
h
))g
w
＝
σ
(F
w
(f
w
))
式中，
σ
是
sigmoid
激活函数；
F
h
(.)
表示垂直方向上的1×1卷积变换，用于将
f
h
...

【专利技术属性】
技术研发人员：胡松钰，龚志帆，傅建中，
申请(专利权)人：浙江大学，
类型：发明
国别省市：